Практика 2: end-to-end ML system, от ingestion до serving
End-to-end ML-система: от сырых данных до production serving
Преподаватель уточняется
О курсе
Студенты в малых командах строят полноценную ML-систему с реальным датасетом: ingestion, feature engineering, обучение, CI/CD, деплой и мониторинг. Практика закрепляет знания курсов MLOps и Reliable ML в условиях, максимально приближённых к production. Результат — работающий сервис с задокументированным SLO и postmortem первой итерации.
Чему научитесь
✓Реализовывать end-to-end ML-сервис командой от 2-3 человек с разделением ответственности
✓Задокументировать SLO (latency, availability, accuracy) и провести нагрузочное тестирование
✓Написать postmortem первой production-итерации с root cause analysis
Ключевые темы
•Командная разработка ML: роли, Git workflow, code review
•Ingestion и валидация данных с Great Expectations / Pandera
•Feature engineering pipeline с dbt или Feast
•Training pipeline с эксперимент-трекингом (MLflow/W&B)
•Деплой REST/gRPC-сервиса с версионированием
•Нагрузочное тестирование и latency profiling
•Мониторинг дрейфа и алертинг в production
Описание сгенерировано автоматически и ещё не проверено преподавателем — это черновик для обсуждения.